Untertitel für Shorts automatisch erstellen: 5 Methoden und wo jede scheitert

Am Ende sollst du Wort-für-Wort-Untertitel haben, die an den Lippen kleben, dazu eine SRT- oder VTT-Datei für Plattformen, die eine eigene Untertitelspur zeigen. Geschrieben ist der Vergleich für Shorts- und Reels-Creator, Cutter und alle, die einen Clip-Kanal fahren – vom Einsteiger bis zum Daily-Poster.

Dies ist kein Testlauf mit gemessenen Clips, sondern ein Vergleich nach Merkmalen plus eine Anleitung, wie du die Genauigkeit an deinem eigenen Stück prüfst. Fünf Wege schauen wir uns an: die eingebauten Untertitel der Plattformen, CapCut, manuelles SRT und Kutto.

Die Farbe des Buttons und die Zahl der Vorlagen entscheiden fast nichts. Fünf Dinge entscheiden, und jedes bricht auf seine eigene Art.

• Wort-für-Wort-Stil. Wird das aktuelle Wort beim Sprechen hervorgehoben (Karaoke) oder steht eine ganze Zeile am Stück? Davon hängt ab, ob das Auge des Zuschauers im Rhythmus der Sprache bleibt.
• Treffer in der Sprache. Hält das Wort bei schnellem Reden an den Lippen, und was passiert in Pausen und Stille?
• Fluchwörter und Namen. Werden Fluchwörter automatisch zensiert, und lässt sich die Schreibweise eines Namens oder Begriffs korrigieren, ohne die Zeile neu zu bauen?
• SRT/VTT-Export. Gibt das Tool eine eigene Datei mit Zeitstempeln heraus – für Plattformen, die ihre eigene Untertitelspur anzeigen?
• Preis und Grenzen. Womit wird die Operation bezahlt, gibt es einen Deckel pro Clip, und bleibt die Datei bei dir?

Die Tabelle zeigt, wie jede Methode prinzipiell funktioniert – nach Dokumentation und Interface, nicht als Ergebnis eines eigenen Durchlaufs. Details bei den Plattformen und in CapCut ändern sich von Version zu Version, deshalb stehen in den Zeilen die grundsätzliche Arbeitsweise. Deine eigene Fassung prüfst du am besten mit den Schritten weiter unten.

Der Bruch hat immer denselben Ursprung: das Tool rät, wo ein Wort endet. Der Unterschied liegt darin, was es mit dieser Vermutung macht und was du von Hand nachjustieren kannst.

Eingebaute Untertitel der Plattformen

Stark: null Einstellungen, läuft direkt aus der App, nichts wiegt etwas. Darauf achten: Die Zeile steht am Stück, eine Wort-Animation im TikTok-Stil gibt es nicht – die baust du separat im Clip. Die Korrektur ist auf den Zeilentext begrenzt, eine Wortgrenze lässt sich nicht ziehen, und wenn du nur die Zeile löschen willst, verschwindet ein Stück Sprache gleich mit.

CapCut und seine Verwandten

Stark: Karaoke-Presets ab Werk, alles in einem Fenster mit dem Schnitt, die Wort-Hervorhebung stellst du per Maus ein. Darauf achten: Bei schneller Sprache verrutschen die Wortgrenzen, und nach einer Hand-Korrektur an einer Zeile ziehen die Nachbarzeilen leicht hinterher – du musst das ganze Stück neu prüfen. Einen Export mit Zeitstempeln gibt es nicht in jeder Version.

Bei schnellem Reden klebt die Zeile zusammen und löst sich von den Lippen, weil das Modell das Wortende schätzt. Ein Alignment am Ton setzt den Zeitstempel jedes Worts an seine tatsächliche Stelle in der Tonspur und kürzt überdehnte Enden – dann steht der Umbruch an der Phrasengrenze und nicht mitten im Wort.

Manuelles SRT

Stark: volle Kontrolle – du entscheidest selbst, wo ein Wort endet, wie der Gast heißt und womit du ein Fluchwort ersetzt. Darauf achten: Bei einem 40-Sekunden-Short mit schneller Sprache setzt du den Zeitstempel für jede Replik von Hand – genau die Stunden, die beim Schnitt fehlen. Der Weg rettet dich, wenn es nur wenige oder sehr spezielle Untertitel sind.

Kutto, Untertitel

Stark: Das Timing kommt per Alignment am Ton statt per Raten, überdehnte Wortenden werden vorab gekürzt; korrigierst du ein Wort, ändert sich nur der Text, die Zeit der Nachbarn bleibt. Die Stile stammen aus den Clip-Presets, deshalb sieht ein Clip aus dem Untertitel-Tool genauso aus wie ein Clip aus dem Shorts-Schnitt; Fluchwort-Zensur und SRT/VTT-Export sind dabei. Darauf achten: Eigene Untertitel-Vorlagen gibt es nicht – nur die fertigen Presets, und ein Clip über 30 Minuten ist schon eine Aufgabe für den Shorts-Schnitt.

Spracherkennung funktioniert wie Raten auf den nächsten Fetzen: Das Modell hört Ton-Fenster und schätzt, welche Wörter das sind – und wann das letzte im Fenster endet. In Pausen, beim Einatmen und über Musik baut es Untertitel, die in der Sprache gar nicht vorkamen, und bei schnellem Reden dehnt es das Wortende, weil es nicht genau weiß, wo es verklungen ist.

Daher das klassische Bild: Das Wort ist noch nicht gesprochen, aber der Untertitel steht schon – oder umgekehrt, er steht, während der Mensch schweigt. Bei Kutto läuft die Erkennung über dieselbe Kette wie beim Clip-Schnitt: Der Ton wird in Fenster zusammenhängender Sprache geschnitten, läuft durch die Erkennungskette, danach werden die Wörter am Ton ausgerichtet – der Zeitstempel sitzt an der tatsächlichen Stelle des Worts, überdehnte Enden werden gekürzt. Deshalb erkennt eine Text-Korrektur die Sprache nicht neu: Pro Clip gibt es eine Erkennungszeile, die fertigen Renderings sammeln sich separat.

SRT ohne Wort-Timing

Kommt ein SRT ins Tool, stecken darin keine Zeitstempel pro Wort: Die Wörter werden innerhalb einer Replik nach Länge verteilt, und die Grenze der Replik wird zum festen Umbruch. Für Karaoke korrigierst du so etwas besser pro Wort als pro Zeile.

Die Prüfung dauert unter einer Minute und braucht keine fremde Zahl. Der Sinn: Nimm das unbequemste Stück und schau, was bricht.

1. 1

   20–30 Sekunden Worst Case wählen

   Nimm ein Stück mit schneller Sprache, mit einem Namen, einer Marke oder Slang, und wo im Bild mindestens einmal zwei Leute reden. Genau dort ist der Unterschied sofort sichtbar.

2. 2

   Auto-Untertitel laufen lassen

   Lade das Stück hoch und sieh dir das Ergebnis ohne Korrektur an – so erkennst du, was das Tool selbst macht und was du von Hand nachziehen musst.

3. 3

   An drei Punkten prüfen

   Erstens: Steht das Wort an den Lippen oder kommt es zu spät? Zweitens: Reißt der Zeilenumbruch die Phrase nicht und zieht kein Wort über den Rand? Drittens: Sind Name und Begriff richtig geschrieben?

4. 4

   Ein Wort ändern und auf die Nachbarn schauen

   Korrigiere die Schreibweise mitten in der Replik. Wenn danach die Zeitstempel der Nachbarwörter verrutschen, wird das Korrigieren einer solchen Datei auf einem langen Clip zur Qual.

5. 5

   SRT holen und im Player ansehen

   Exportiere die Datei mit Zeitstempeln und öffne sie als eigene Spur. So siehst du, ob es deine Timings sind oder ob der Clip nur ein Bild mit eingebranntem Text herausgibt.

Kein Weg liefert auf schlechtem Input ein garantiertes Ergebnis, und Alignment ist keine Ausnahme – es setzt Wörter nach Ton, erfindet aber nicht, was im Ton nicht steckt. Starkes Rauschen, Wind oder Musik über der Stimme: Die Wörter gehen mit der Sprache verloren, es gibt nichts zum Timen. Bei Slang, Jargon, seltenen Namen und Markennamen bekommst du eine plausible, aber falsche Schreibweise – die korrigierst du von Hand. Und wenn zwei gleichzeitig reden, gibt die Engine eine Wortspur aus; sie nach Personen zu trennen, kann sie nicht.

Geh die Checkliste am unbequemsten Ausschnitt durch, nicht am ruhigen Intro: Wenn die Untertitel dort halten, sitzen sie im Rest des Clips erst recht. Fluchwörter und Namen prüfst du extra – genau dort tauchen Fehler oft erst nach der Veröffentlichung auf.

• Untertitel sitzen am schnellsten Stück an den Lippen – am Ausschnitt geprüft, nicht am Intro
• Namen, Marken und Begriffe korrekt; Strittiges am Ton gegengeprüft
• Zeilen nicht länger als der Bildschirm und nicht unter dem Plattform-Interface, der Umbruch reißt keine Phrase
• Fluchwörter zensiert, wo es die Plattform verlangt
• Zensur und eingebrannter Text widersprechen sich nicht: ein Stil im Clip
• SRT exportiert, falls die Plattform eine eigene Spur zeigt

Für Clips bis 30 Minuten machen die Untertitel den Kern: Wort-für-Wort-Erkennung, Korrektur eines Worts ohne Verrutschen der Nachbarn, Stile aus den Clip-Presets, dazu SRT und VTT. Ist dein Quellclip länger, übernimmt der Shorts-Schnitt dieselben Untertitel beim Zerschneiden.

Stören Pausen, „ähs“ und Fluchwörter im Ton, nimmst du Stille und Fluch: Pausen und Füllwörter raus, Fluchwörter mit Zeitstempel zensiert, SRT nach den neuen Timings. Die Preise findest du auf der Preisseite – die Operation Untertitel selbst ist 0, der Bereich wird durch den Tarif freigeschaltet.